不知道从什么时候开始，金融科技这个词突然就在国内火了起来。不管是现金贷公司、消费金融公司还是第三方服务商，纷纷将自己叫做“金融科技公司”。似乎贴上了这四个字，融资金额就能翻几番。

这个听起来很高大上的词其实是个舶来语——“FinTech”，也就是Finance（金融）和Technology（科技）的结合。维基百科对其的释义为它是由一群通过科技，让金融服务更高效的企业，构成的一个经济产业。

蓝领、灰领人群征信缺失引发“大数据”热潮

金融科技这个词虽然出生地不是中国，但确实是在国内被发扬光大的。不管是初创公司还是BAT这样的巨头，都对这个词一见倾心。阿里巴巴甚至自己创造出了TechFin（科技金融）这个倒装的新词来自我标榜。

听起来很高大上的金融科技到底是个什么鬼呢？我浏览了几家自称为“金融科技公司”的网站，收集了他们的公司简介，可以从中看到一点门道。

虽然几家公司用词天花乱坠，但是可以看到金融科技在消费金融领域的核心就是“大数据风控”。而大数据风控在国内受到追捧本质是由于国内大量人群征信数据的缺失。

为了避免与银行等传统金融机构正面硬怼，大量互联网金融公司基本都选择了蓝领、学生、农民这样传统金融机构没服务到的客群。

随之而来的问题就是这部分客群基本都没有人行的征信报告，征信数据非常稀薄。

在缺乏强相关变量的情况下，金融机构只能通过电商数据、社交数据、行为数据等等一些弱相关变量来对这部分人群进行信用评估。

而对于拥有人行征信报告的人群来讲，传统金融机构已经能够对其信用进行很好的评估，其结果也远比利用弱相关变量的大数据风控来得精准。

所以大数据风控其实是金融机构在国内征信体系不健全的背景下，客群不断下沉的无奈之举。

用技术就能做好风控？

消费金融的风控主要防范两个方面的风险，信用风险和欺诈风险。

而风险管理包括风险识别、风险分析、风险监控、风险应对四个模块。

信用风险主要指客户的还款意愿和还款能力，也就是客户想不想还钱、还不还得起钱。而欺诈风险的情况则更为复杂，包括身份冒用、黑产攻击、个人套现、团体骗贷、庞氏骗局等等多种情况。

曾担任百度金融CRO的王劲讲过，在美国欺诈跟信用风险相比，基本上是1：5的概念，但是在中国完全反过来了。欺诈可以说是中国特色主义的风控问题了。

除此之外，国内的消费金融行业特别是现金贷行业还面临着多头借贷的问题。这个用户可能暂时还得起从你这里借的1000块钱，但他在不断的撸口子，已经背负了十几万的债务，实际上是还不起钱的。

那么科技到底在风控里起了什么作用呢？我们就拿最火的机器学习和人脸识别来举例吧。

机器学习work的使用前提：数据需要足够多，足够厚

在传统的信用卡申请流程中，银行会根据用户收入稳定性和偿债能力审核打分，最常见的用于信用评分的模型就是逻辑回归。

但前文也说到，在强相关变量缺失的情况下，互金机构不得不引入大量的弱相关变量来对用户打分。

在数据量过多的情况下，基于机器学习的模型优势就凸显出来了。相比传统模型只能通过若干个变量进行建模，机器学习模型可以引入成千上万的变量。

但从原理上来讲，机器学习和传统的逻辑回归模型并无本质区别。

像BAT这样数据量足够大数据足够厚的公司，用机器学习来做模型才是靠谱的。而本身连数据都少的可怜、尚且处在需要外部数据支持的创业小公司，又谈何机器学习模型呢？

而且虽然在变量过多的情况下，机器学习模型在一些指标上的表现可能比传统风控模型更好，迭代速度更快，但同时也存在它的弊端。

比如在稳定性、可解释性上机器学习都不如传统的风控模型。

人脸识别：只能解决单点效率问题

另一项大热的人脸识别技术则一般应用于贷前反欺诈验真环节，通过人脸识别能够快速有效的判断用户是否为本人。

这种工作其实人工也可以做，相信看过最强大脑的都记得那群比百度人工智能识别人脸还要精准快速的“天才”们。而机器的优势就在于效率。

但是风险管理面临的问题是非常复杂而多样的。就拿身份欺诈来讲，不少办分期甚至是现金贷的用户是被中介骗来的，因此他的身份信息都是真的，但借款意愿是假的。这种情况下人脸识别显然就没什么用了。

所以人脸识别只能解决“单点效率”问题，在这一个环节上降本增效。

这也是绝大多数科技手段的问题。这些科技手段有用吗？当然有用。

在风控的某些环节中，技术手段无疑可以有效地降低成本提升效率。但想依靠技术手段就做好风控那是不可能的。

就算抛开大数据的相关性和稳定性来说，它也只是一个风险评估而已，只是风险管理的一小块。